論文の概要: Echocardiographic View Classification with Integrated
Out-of-Distribution Detection for Enhanced Automatic Echocardiographic
Analysis
- arxiv url: http://arxiv.org/abs/2308.16483v1
- Date: Thu, 31 Aug 2023 06:44:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-01 15:43:27.682083
- Title: Echocardiographic View Classification with Integrated
Out-of-Distribution Detection for Enhanced Automatic Echocardiographic
Analysis
- Title(参考訳): 心エコー図自動解析のための統合分布検出による心エコー図の分類
- Authors: Jaeik Jeon, Seongmin Ha, Yeonyee E. Yoon, Jiyeon Kim, Hyunseok Jeong,
Dawun Jeong, Yeonggul Jang, Youngtaek Hong and Hyuk-Jae Chang
- Abstract要約: ECHO-VICODE(EChocardiography VIew Classification with Out-of-Distribution dEtection)は、自動ビュー分類のための新しいディープラーニングベースのフレームワークである。
ECHO-VICODEは統合アウト・オブ・ディストリビューション(OOD)検出機能を導入し、相対マハラノビス距離を利用して、心エコーデータでよく見られる「ニア・オーD」のインスタンスを効果的に識別する。
- 参考スコア(独自算出の注目度): 2.3333891285533173
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the rapidly evolving field of automatic echocardiographic analysis and
interpretation, automatic view classification is a critical yet challenging
task, owing to the inherent complexity and variability of echocardiographic
data. This study presents ECHOcardiography VIew Classification with
Out-of-Distribution dEtection (ECHO-VICODE), a novel deep learning-based
framework that effectively addresses this challenge by training to classify 31
classes, surpassing previous studies and demonstrating its capacity to handle a
wide range of echocardiographic views. Furthermore, ECHO-VICODE incorporates an
integrated out-of-distribution (OOD) detection function, leveraging the
relative Mahalanobis distance to effectively identify 'near-OOD' instances
commonly encountered in echocardiographic data. Through extensive
experimentation, we demonstrated the outstanding performance of ECHO-VICODE in
terms of view classification and OOD detection, significantly reducing the
potential for errors in echocardiographic analyses. This pioneering study
significantly advances the domain of automated echocardiography analysis and
exhibits promising prospects for substantial applications in extensive clinical
research and practice.
- Abstract(参考訳): 心エコー図解析と解釈の急速に発展する分野において、心エコー図データの固有複雑さと変動性から、自動ビュー分類は極めて困難な課題である。
本研究は、31のクラスを分類し、過去の研究を超越し、広範囲の心エコー図像を扱う能力を示すことによって、この課題に効果的に対処する新しいディープラーニングベースのフレームワークであるECHO-VICODEを提案する。
さらに、ECHO-VICODEは、Mahalanobis距離を利用して、心エコーデータでよく見られる"near-OOD"インスタンスを効果的に識別する統合アウト・オブ・ディストリビューション(OOD)検出機能を組み込んでいる。
広範囲な実験を通じて,心エコー図解析における誤差の可能性を著しく低減し,視野分類とood検出の観点で,エコーvicodeの優れた性能を実証した。
この先駆的な研究は、自動心エコー解析の分野を著しく進歩させ、広範囲な臨床研究や実践において有望な応用の可能性を示している。
関連論文リスト
- Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。
IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。
本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
論文 参考訳(メタデータ) (2024-04-24T03:25:53Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳(メタデータ) (2023-12-14T13:47:13Z) - ImageNet-OOD: Deciphering Modern Out-of-Distribution Detection Algorithms [27.67837353597245]
アウト・オブ・ディストリビューション(OOD)検出は、未定義で悪名高い。
最近の研究は、障害検出に焦点をあてている。
以前は最先端と見なされていた複雑なOOD検出器は、単純な最大ソフトマックス確率ベースラインと同じような、あるいはそれ以上に機能している。
論文 参考訳(メタデータ) (2023-10-03T02:37:57Z) - LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。
本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
論文 参考訳(メタデータ) (2023-03-24T13:49:05Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳(メタデータ) (2023-02-06T08:24:41Z) - GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。
GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。
教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
論文 参考訳(メタデータ) (2022-11-08T12:41:58Z) - On the Usefulness of Deep Ensemble Diversity for Out-of-Distribution
Detection [7.221206118679026]
ディープラーニングの安全性クリティカルな応用において、OOD(Out-of-Distribution)データを検出する能力が重要である。
この文献の既存の直観は、ディープ・アンサンブルの予測の多様性は分布シフトを示しているということである。
ImageNet-scale OOD 検出では,この直観が有効でないことを示す。
論文 参考訳(メタデータ) (2022-07-15T15:02:38Z) - On the Impact of Spurious Correlation for Out-of-distribution Detection [14.186776881154127]
我々は、不変性と環境特性の両方を考慮して、データシフトをモデル化し、新しい形式化を提案する。
その結果, トレーニングセットにおいて, 突発的特徴とラベルの相関が大きくなると, 検出性能が著しく悪化することが示唆された。
論文 参考訳(メタデータ) (2021-09-12T23:58:17Z) - Soft Labeling Affects Out-of-Distribution Detection of Deep Neural
Networks [4.56877715768796]
ソフトラベリングによりOOD検出性能が決定可能であることを示す。
ソフトラベリングによって不正なクラスの出力を正規化する方法は、OOD検出を劣化または改善することができる。
論文 参考訳(メタデータ) (2020-07-07T05:50:52Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳(メタデータ) (2020-03-21T17:46:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。